توسعه تکنیکی جدید جهت تعیین و پیشبینی نفوذپذیری مخازن کربناته بر پایه هوش مصنوعی
- سال انتشار: 1400
- محل انتشار: دهمین کنفرانس مهندسی معدن ایران
- کد COI اختصاصی: IMEC10_066
- زبان مقاله: فارسی
- تعداد مشاهده: 171
نویسندگان
استادیار گروه مهندسی معدن ، دانشگاه صنعتی بیرجند، ایران
باشگاه پژوهشگران جوان و نخبگان ، واحد اهواز ، دانشگاه آزاد اسلامی ، اهواز ، ایران
کارشناس ارشد زمین شناسی، دانشکده علوم زمین، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، ایران،
چکیده
مخازن کربناته نفت،معمولا دارای نفوذپذیری و قابلیت تولید کمتری نسبت به مخازن ما سه سنگی هستند، بنابراین شکستگیهای طبیعی موجود در چنین مخازنی، تاثیراتی شگرف بر بازیابی منابع و نرخ تولید سیال خواهند داشت. بنابراین، تعیین کمیت نفوذپذیری موثر در توصیف مخزن و مدلسازی رژیم جریان مخازن کربناته ضروری است. این تحقیق، یک مدل جدید هوش مصنوعی برای پیشبینی نفوذپذیری در مخازن کربناته ناهمگن ارائه میدهد. به طوری که، مجموعه داده ای شامل برداشت ۲۰۰ نقطه از یک مخزن کربناته گردآوری شده ا ست. متغیرهای ورودی شامل تخلخل ( ، %)، سطح ویژه Sp)، (cm-۱ و ا شباع آب غیرقابل تقلیل Swir)، %) میباشد. این متغیرها با استفاده از روش گروهی مدیریت داده(GMDH) ۱ ارزیابی میشوند.الگوریتم مذکور، یک شبکه عصبی چندجمله ای را به روشی جدید توسعه داده که شامل سه لایه پنهان است و این کار، دقت پیشبینی را افزایش داده و قابلیتهای یادگیری عمیق را بهبود میبخشد. به طوری که براساس روش پیشنهادی، مقدار مربع ضریب همبستگی۰/۹۹۲۱ (R۲) ۲ و مجذور میانگین مربعات خطا(RMSE) ۳۱۳/۷ میلی دار سی برای پیش بینی نفوذپذیری به د ست آمده ا ست. این مدل را میتوان به آ سانی برای سایر مجموعه داده های میدانی جهت تخمین نفوذپذیری تعمیم داد.کلیدواژه ها
نفوذپذیری، مخازن کربناته، روش گروهی مدیریت داده، شبکه عصبی مصنوعی.مقالات مرتبط جدید
- Assessing Slope Stability using Geoelectrical Method: A Case Study
- Unveiling Rock Brittleness for Mine Exploration: The Potential of Non-Destructive Seismic Methods
- Time-Domain Induced Polarization Tomography Inversion
- Innovative passive microseismic methods in oil and gas industry
- IP-Rs and Magnetic Geophysical ۳D Modelling of Copper Deposits; A CaseStudy Sheikhdar Abad Copper Deposit
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.